Как мы автоматизировали поддержку клиентов с n8n: кейс Nimble

Автоматизация поддержки клиентов с n8n — это не теория, а то, что мы запустили у себя внутри. Когда входящих обращений стало 200 в день, команда тонула: менеджеры отвечали на одни и те же вопросы про цены, сроки, статус задачи — снова и снова. Мы потратили три недели на то, чтобы выстроить систему из трёх слоёв: n8n-workflow, ИИ-агент на базе GPT-4o и Telegram-бот. Результат — 85% тикетов закрываются без участия человека. В этой статье разбираем, как именно устроена схема и что мы поняли по дороге.

Ситуация: 200 тикетов в день и команда на износе

Весной 2025 года к нам одновременно подключились несколько крупных клиентов — онлайн-школа, небольшой e-commerce и сервисная компания. Все три генерировали обращения через Telegram, почту и форму на сайте. Суммарно — около 200 тикетов в сутки. Из них 60–70% были повторяющимися: «когда будет готово?», «как подключить интеграцию?», «пришлите счёт». Менеджер тратил 4–5 часов только на первичную сортировку и стандартные ответы. На реальные задачи оставалось мало времени.

Задача: закрыть типовое, освободить команду

Мы поставили себе конкретную цель — снизить нагрузку на живых сотрудников минимум вдвое. Критерии успеха: время первого ответа меньше 2 минут в любое время суток, автоматическое закрытие типовых обращений без эскалации, и чтобы менеджер не видел в очереди то, что уже решено. Мы сознательно не хотели «чат-бот с кнопками» — слишком жёсткая логика, не справляется с вариациями вопросов. Нужна была система, которая понимает смысл, а не только ключевые слова.

Этап 1 — Workflow в n8n: приём и маршрутизация

Первый слой — n8n как оркестратор. Мы собрали единый входной узел, который принимает обращения из трёх каналов: Telegram Webhook, Gmail и форма на сайте через HTTP-запрос. Каждое обращение нормализуется в единый JSON-объект: источник, текст, контакт, временная метка. Дальше — маршрутизатор по типу обращения. n8n смотрит на простые метки: если в тексте есть слова из списка «счёт», «оплата», «реквизиты» — направляет в ветку финансов. Если «статус», «сроки», «когда» — в ветку статуса. Всё остальное уходит на ИИ-агент.

• Входные каналы: Telegram Webhook, Gmail API, HTTP-форма сайта
• Нормализация в единый JSON перед обработкой
• Маршрутизатор по ключевым словам для быстрых веток
• Логирование каждого тикета в Notion-базу для аналитики

Этап 2 — ИИ-агент: понимает смысл, а не только шаблоны

ИИ-агент — это GPT-4o с системным промптом, который включает базу знаний: FAQ по продуктам, типовые ответы, ограничения (что агент не делает без человека). Мы передаём агенту текст тикета + историю предыдущих обращений клиента из Notion. Агент формирует один из трёх исходов: готовый ответ (типовое обращение), запрос уточнения (недостаточно данных), эскалация с пометкой причины (нестандартная ситуация или жалоба).

Ключевой момент: агент не просто генерирует текст — он обязан указать confidence score от 0 до 1. Если уверенность ниже 0.75, тикет автоматически уходит на живого сотрудника. Это сильно снизило количество «галлюцинаций» в ответах: агент честно признаёт, когда не уверен.

ИИ-агент в поддержке — это не замена человека, а фильтр: он закрывает 80% очевидного, чтобы человек мог сосредоточиться на 20% действительно сложного.

Этап 3 — Telegram-бот: доставка и интерфейс команды

Третий слой — Telegram. Клиенты пишут боту, получают ответ там же. Для менеджеров мы сделали отдельный канал уведомлений: сюда падают только эскалированные тикеты с краткой выжимкой и ссылкой на полную историю в Notion. Менеджер одним кликом открывает контекст и отвечает — без поиска по почте и мессенджерам. Если тикет закрыт агентом, менеджер его вообще не видит. В конце дня бот присылает сводку: сколько тикетов обработано, сколько эскалировано, среднее время ответа.

Результат в цифрах

• Тикеты в очереди для менеджера: с 200 до 30 в день (−85%)
• Среднее время первого ответа: с 47 минут до 90 секунд
• Доля автоматически закрытых обращений: 85%
• Экономия времени команды: ~4 часа в день на одного менеджера
• Стоимость работы агента (API): около 180 рублей в сутки при текущем объёме

Через месяц после запуска мы провели опрос клиентов. 91% отметили, что скорость ответа улучшилась. Двое написали, что «наконец-то получают ответ ночью» — раньше это было невозможно.

Что пошло не так и чему мы научились

Первые две недели агент слишком часто эскалировал — порог confidence 0.8 оказался слишком строгим. Мы снизили до 0.75 и добавили категорию «запрос уточнения»: агент сам переспрашивает клиента, вместо того чтобы сразу звать человека. Это уменьшило эскалации ещё на 30%.

Вторая проблема — база знаний протухает. Если менеджер поменял цену или условие, агент продолжает отвечать по-старому. Мы решили это через Notion: база знаний живёт там, n8n подтягивает актуальную версию при каждом запросе. Менеджер обновляет страницу — агент сразу говорит правильно.

Третий урок: не нужно автоматизировать жалобы. Клиент, который недоволен, хочет живого человека. Мы добавили отдельную ветку: если в тексте детектируется негатив (через sentiment-анализ внутри агента), тикет идёт напрямую к менеджеру с высоким приоритетом. Это сохранило несколько отношений, которые иначе могли бы испортиться.

Вывод

Автоматизация поддержки клиентов с n8n работает — если строить её не как набор кнопок, а как систему с умным центром. n8n даёт гибкость маршрутизации и интеграций, ИИ-агент — понимание смысла, Telegram — удобный интерфейс для всех участников. Главное, что мы вынесли: автоматизация не убирает команду, она освобождает её для работы, которая реально требует человека. Если вы тоже тонете в повторяющихся обращениях — эта схема масштабируется под любой объём.